基于图像融合的飞行器轮廓提取方法

doi:10.3778/j.issn.1002-8331.2008.30.056

计算机工程与应用 ›› 2008, Vol. 44 ›› Issue (30): 183-185.DOI: 10.3778/j.issn.1002-8331.2008.30.056

• 图形、图像、模式识别 • 上一篇下一篇

基于图像融合的飞行器轮廓提取方法

李兴唐^1,2,3,郭立红¹,王思雯^1,2

1.中国科学院长春光学精密机械与物理研究所，长春 130033
2.中国科学院研究生院，北京 100039
3.空军航空大学，长春 130022

收稿日期:2007-11-29 修回日期:2008-02-18 出版日期:2008-10-21 发布日期:2008-10-21
通讯作者: 李兴唐

Aircraft image’s outline detection algorithm based on image fusion

LI Xing-tang^1,2,3,GUO Li-hong¹,WANG Si-wen^1,2

1.Changchun Institute of Optics，Fine Mechanics and Physics，Chinese Academy of Sciences，Changchun 130033，China
2.Graduate School，Chinese Academy of Sciences，Beijing 100039，China
3.Air Force Aviation University，Changchun 130022，China

Received:2007-11-29 Revised:2008-02-18 Online:2008-10-21 Published:2008-10-21
Contact: LI Xing-tang

摘要/Abstract

摘要： 区域分割算法可将图像中含有有效信息的区域挑选出来，由此提出一种基于图像融合的边缘提取方法，在区域分割的基础上，利用分水岭算法对分割出来的含有有效信息的区域进行边缘提取。并将所得结果与其他边缘提取算法融合，得到单像素宽的、封闭的轮廓。该方法可以降低背景区域对结果的影响，综合多种算法的优点。实验结果表明该方法稳定可靠，具有较强的实用性。

关键词: 图像处理, 边缘提取, 区域分割, 图像融合, 分水岭

Abstract: Region segmentation algorithms can mark the region that has useful information in the image.Thus an edge detection method of region segmentation based on image fusion is proposed.After region segmentation，the region can be gotten which has useful information in the image.Then the edge detection of this region can be conducted through watershed algorithms.The result is fused with the result of other edge detection algorithms and a single-pixel wide and enclosed outline can be gotten.This method can decrease the effect of background on the result of edge detection.It combines the advantages of many algorithms and improves the speed of calculation.The experiment results show that this method is stable，reliable and practicable.

Key words: image process, edge detection, region segmentation, image fusion, watershed

李兴唐^1,2,3,郭立红¹,王思雯^1,2. 基于图像融合的飞行器轮廓提取方法[J]. 计算机工程与应用, 2008, 44(30): 183-185.

LI Xing-tang^1,2,3,GUO Li-hong¹,WANG Si-wen^1,2. Aircraft image’s outline detection algorithm based on image fusion[J]. Computer Engineering and Applications, 2008, 44(30): 183-185.

[1]	冉蓉，徐兴华，邱少华，崔小鹏，欧阳斌. 基于深度卷积神经网络的裂纹检测方法综述[J]. 计算机工程与应用, 2021, 57(9): 23-35.
[2]	张波，徐黎明，黄志伟，要小鹏. 梯度策略的多目标GANs帕累托最优解算法[J]. 计算机工程与应用, 2021, 57(9): 89-95.
[3]	董旭彬，赵清华. 改进Mask R-CNN在航空影像目标检测的研究应用[J]. 计算机工程与应用, 2021, 57(8): 133-144.
[4]	胡文涛，陈秀宏. 基于邻域图的低秩投影学习[J]. 计算机工程与应用, 2021, 57(7): 209-214.
[5]	杨培伟，周余红，邢岗，田智强，许夏瑜. 卷积神经网络在生物医学图像上的应用进展[J]. 计算机工程与应用, 2021, 57(7): 44-58.
[6]	云旭，宋焕生，梁浩翔，侯景严，戴喆. 基于深度学习的关键岗位人员行为分析系统[J]. 计算机工程与应用, 2021, 57(6): 225-231.
[7]	顾梅花，王苗苗，李立瑶，冯婧. 彩色图像多尺度融合灰度化算法[J]. 计算机工程与应用, 2021, 57(4): 209-215.
[8]	马庆禄，唐小垚. 融合时域和分水岭信息的车辆检测算法[J]. 计算机工程与应用, 2021, 57(24): 227-233.
[9]	卢苇，刘丹，邵敏，吴扬东. 改进Mask R-CNN网络在医学图像识别与分割中的应用[J]. 计算机工程与应用, 2021, 57(24): 234-241.
[10]	张德，林青宇，郭茂祖. 单幅图像超分辨重建的深度学习方法综述[J]. 计算机工程与应用, 2021, 57(22): 28-41.
[11]	王长城，周冬明，刘琰煜，谢诗冬. 无监督深度学习模型的多聚焦图像融合算法[J]. 计算机工程与应用, 2021, 57(21): 209-215.
[12]	李祥霞，谢娴，李彬，尹华，许波，郑心炜. 生成对抗网络在医学图像处理中的应用[J]. 计算机工程与应用, 2021, 57(18): 24-37.
[13]	林本丰，王呈，孙悦程. 融合LSD算法与深度学习的开关状态检测方法[J]. 计算机工程与应用, 2021, 57(17): 181-189.
[14]	呼亚萍，孔韦韦，李萌，黄翠玲. 改进TV图像去噪模型的全景图像拼接算法[J]. 计算机工程与应用, 2021, 57(17): 203-209.
[15]	许洋洋，李伟，王杰. 利用事件和期限驱动对机器人延时的优化[J]. 计算机工程与应用, 2021, 57(17): 260-268.

基于图像融合的飞行器轮廓提取方法

Aircraft image’s outline detection algorithm based on image fusion

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics